Optimasi Algoritma LSTM Menggunakan Feature Selection Berbasis Swarm Intelligence pada Sentiment Analysis Cryptocurrency

Ekachandra, Kristian (2024) Optimasi Algoritma LSTM Menggunakan Feature Selection Berbasis Swarm Intelligence pada Sentiment Analysis Cryptocurrency. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (941kB)
	PDF BAB_I.pdf Download (247kB)
	PDF BAB_II.pdf Download (705kB)
	PDF BAB_III.pdf Download (411kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (157kB)
	PDF DAFTAR_PUSTAKA.pdf Download (334kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (6MB)

Abstract

Cryptocurrency menjadi topik yang banyak diperbincangkan oleh masyarakat global sejak tahun 2017, terutama pada platform X. Pesatnya pertumbuhan pasar cryptocurrency ditandai dengan meningkatnya volatilitas yang dipengaruhi oleh sentimen masyarakat. Opini masyarakat pada media sosial berperan penting dalam mengubah pandangan mereka tentang cryptocurrency. Namun perkembangan yang cepat terhadap jumlah pengguna media sosial seperti platform X, serta adopsi teknologi secara masal oleh masyarakat dunia, telah membuat sentiment analysis konvensional tidak lagi relevan. Oleh sebab itu, penelitian ini melakukan optimasi sentiment analysis menggunakan feature selection berbasis swarm intelligence yang dapat menangani permasalahan tersebut. Penelitian ini menggunakan framework Knowledge Discovery in Database Process (KDD) mencakup proses selection dengan data collection, pre-processing pada data, transformation dengan tahapan data labeling dan data splitting, serta data mining meliputi feature selection dan modeling. Proses modeling yang dilakukan menggabungkan sentiment analysis dengan klasifikasi menggunakan algoritma deep learning yaitu Long Short-Term Memory Networks (LSTM) yang diintegrasikan dengan feature selection berbasis swarm intelligence. Algoritma swarm intelligence yang dimaksud yaitu Particle Swarm Optimization (PSO), Ant Colony Optimization (ACO), dan Cat Swarm Optimization (CSO). Adapun membandingkan model LSTM baik dengan dan tanpa feature selection berbasis swarm intelligence PSO, ACO, dan CSO dalam sentiment analysis cryptocurrency. Hasil yang didapatkan dari penelitian ini adalah feature selection berbasis swarm intelligence dapat meningkatkan kemampuan klasifikasi algoritma LSTM. Kinerja model terbaik yang didapatkan penelitian ini adalah model LSTM yang dioptimasi dengan PSO, diikuti dengan model CSO-LSTM, ACO-LSTM, dan LSTM. Hal tersebut ditandai dalam testing model dengan peningkatkan accuracy 0.76% menjadi 86%, menurunkan loss 35% menjadi 57%, dan mempercepat execution time 81.03 detik menjadi 58 detik dibandingkan dengan LSTM konvensional.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Cryptocurrency, Feature Selection, LSTM, Sentiment Analysis, Swarm Intelligence
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 08:56
Last Modified:	11 Nov 2024 08:56
URI:	https://kc.umn.ac.id/id/eprint/34126

Actions (login required)

View Item